ذكاؤك الاصطناعي للمطالبات يكتشف الضرر بإتقان، لكنه لا يعرف إن كان الضرر حقيقيًا
كان لديّ صورتان لسيارة سيدان فضية واحدة مفتوحتان على شاشة واحدة. الصورة اليسرى كانت انبعاجًا حقيقيًا في الربع الخلفي من الهيكل نتيجة خدش في موقف سيارات. أما الصورة اليمنى فلم تتعرض لحادث قط — إذ أدخل أحدهم صورة نظيفة إلى نموذج انتشار وطلب منه إضافة ضرر. الطية، والظل تحت الحافة، والطريقة التي انعكس بها الضوء على الطلاء: كلها مُولَّدة، ولا شيء منها حقيقي فيزيائيًا.
مرّرت كلتيهما عبر نموذج تقييم الأضرار الذي كنا نجرّبه. عادت كلتاهما على أنهما ضرر حقيقي. حصلت كل منهما على درجة خطورة. وحصلت كل منهما على تقدير للإصلاح. بل إن الصورة المزيفة حصلت على قراءة أوضح قليلًا، لأن الضرر المُولَّد كان أكثر تنظيمًا من فوضى العالم الحقيقي.
كان ذلك هو الصباح الذي أدركت فيه أن الذكاء الاصطناعي لمطالبات التأمين واكتشاف التزييف العميق مشكلتان مختلفتان تمامًا، وكل من في السوق تقريبًا يحل المشكلة الأولى بينما يفترض ضمنًا أنها تغطي الثانية.لكنها لا تغطيها. نموذج تقييم الأضرار يسأل: كيف يبدو هذا؟ وهو لا يسأل: هل كان هذا حقيقيًا؟ وفي عام 2026، تلك الفجوة هي حيث تتسرب الأموال.
الذكاء الاصطناعي لتقييم الأضرار لديك يقيّم المحتوى. أما الاحتيال فيكمن في الأصالة. وهذان ليسا المحور نفسه، والدقة في أحدهما لا تشتري لك شيئًا في الآخر.
نموذج التهديد تغيّر بهدوء والأدوات لم تتغير
صُمِّم معظم أنظمة الذكاء الاصطناعي للمطالبات في حقبة كان أسوأ ما يمكن أن يحدث فيها هو رقم خاطئ — تقدير جاء أعلى أو أقل بمقدار $400 مما ينبغي. كان ذلك هو سطح الخطر بأكمله: دقة التقدير. تنافس البائعون عليها، وقيّمتها فرق المشتريات، وأصبح الجميع أفضل فيها.
ثم أصبحت المدخلات قابلة للهجوم. يستطيع أي شخص لديه هاتف الآن أن يلتقط صورة لسيارة غير متضررة ويطلب من نموذج متاح مجانًا حقن مصدّ محطّم، مكتمل بإضاءة وانعكاسات معقولة. وحجم هذا ليس نظريًا. فقد ارتفعت محاولات الاحتيال بالتزييف العميق بنسبة 2,137% على مدى ثلاث سنوات، وهي تمثل الآن 6.5% من جميع حالات احتيال الهوية المكتشفة في عالم المال والمدفوعات. وفي قطاع التأمين تحديدًا، ارتفعت حالات الاحتيال المعزَّز بالذكاء الاصطناعي في الولايات المتحدة من أقل من 20,000 في عام 2022 إلى أكثر من 80,000 في عام 2025.
أكثر رقم ملموس رأيته جاء من المملكة المتحدة. ففي أبريل 2025، كشفت شركات تأمين السيارات هناك أن المحتالين كانوا يستخدمون نماذج الانتشار لحقن خدوش وشقوق في صور غير ضارة، مما ضخّم متوسط المدفوعات بنحو £13,000 لكل حادثة. وهذا ليس خطأ تقريب في محفظة أعمال. إنه تسرّب هيكلي.
والمستهلكون ليسوا في الواقع مقاومين لهذا. فقد وجدت دراسة Verisk حول الاحتيال في مارس 2026 أن 36% من المستهلكين قد يفكرون في تعديل صورة مطالبة، وبين الجيل Z يرتفع هذا الرقم إلى 55%. وفي الوقت نفسه، يبلّغ 98% من شركات التأمين الآن عن ارتفاع حاد في الوسائط المتلاعب بها المرتبطة بأدوات الذكاء الاصطناعي. فإمداد الأدوات لا نهائي، والخطر الأخلاقي أصبح الآن سائدًا، ونموذج التقييم في الطرف الآخر يقرأ المحتوى على أنه حقيقة.
قضيت المرحلة الأولى في بناء الشيء الخطأ
إليك الجزء الذي لست فخورًا به. عندما بدأنا، قدّمت المنتج على أنه أفضل نموذج لتقييم الأضرار. كان قادة السوق هم المعيار، لذا أردت أن أتجاوزه. فشركة Tractable، التي جمعت $185M وتعالج أكثر من مليار دولار من المطالبات، تعلن عن دقة تبلغ نحو 95%. وتُشغِّل CCC Intelligent Solutions خط معالجة من التقدير إلى الدفع عبر أكثر من 125 شركة تأمين وتجاوزت مليار دولار من الإيرادات. كانت الخطوة الواضحة أن أكون أدق قليلًا من ذلك وأبيع على أساس الفارق.
أخذت هذا التأطير إلى محادثة مع أحد قادة المطالبات في شركة تأمين متوسطة الحجم، وكان الرد نسخة مهذبة من عبارة لدينا واحد من هذه بالفعل. وكان ذلك هو الرد الصحيح. فنقطة إضافية في دقة تقييم الأضرار كانت فيتامينًا، لا مسكّنًا للألم. فالشيء الذي كان يقلق ذلك الفريق لم يكن ما إذا كانت تقديراتهم دقيقة بنسبة 94% بدلًا من 96%. بل كان عدد الصور التي تغذّي تلك التقديرات والتي كانت حقيقية في المقام الأول.
كلّفتني تلك المحادثة نحو شهر من القناعة. لقد بنينا نحو المحور الخطأ تمامًا. وكان الإدراك الذي سدّد ثمن كل شيء بعده بسيطًا ومهينًا بعض الشيء: نموذج المحتوى الأكثر دقة يجعل مشكلة الاحتيال أسوأ، لا أفضل، لأنه يمنح ختم موافقة أكثر ثقة لصورة ملفّقة. فكلما كان نموذجك أفضل في قراءة الضرر، كان الدفع على الصورة المزيفة أنظف.
لذا توقفنا عن التنافس على الدقة وبدأنا نبني من أجل الأصالة. وعنى ذلك التعامل مع كل صورة مطالبة لا بوصفها بيانات تُقيَّم، بل بوصفها أدلة يجب التحقق من صحتها — تُقاس، وتُحفظ.
لماذا لا تنجح فكرة "مجرد إضافة كاشف تزييف عميق"؟
الغريزة الأولى لدى الجميع — بمن فيهم نحن — هي تثبيت كاشف تزييف عميق على مقدمة خط المعالجة. هناك تقنية جنائية معروفة تُسمى PRNU، اختصارًا لعدم انتظام استجابة الصورة للضوء. لكل مستشعر كاميرا بصمة ضوضاء خافتة وفريدة، وإذا كانت الصورة مُصطنعة بدلًا من كونها ملتقطة، فإن هذه البصمة تكون مفقودة أو خاطئة. في المختبر، تكون أنيقة.
في خط معالجة مطالبات حقيقي، تنهار تقنية PRNU وحدها. فصور الهاتف تُضغط، وتُعاد حفظها، وتمرّ عبر تطبيق المراسلة الذي استخدمه حامل الوثيقة لإرسالها، وتُعالَج بعديًا قبل أن تصل إليك أصلًا. وكل ذلك يطمس بصمة المستشعر، والتقنية ثقيلة حسابيًا فوق ذلك. وهي وحدها ببساطة ليست قادرة على منافسة التوليد الحديث. تعرف شركات التأمين أن هذا صعب، ولهذا السبب لا يقول سوى 32% من شركات التأمين إنهم يشعرون بثقة كبيرة في اكتشاف التزييف العميق، ويبلّغ 76% أن المستندات المُقدَّمة المتلاعب بها التي يرونها تزداد تطورًا.
مشكلة الاكتشاف ليست "هل لدينا نموذج تزييف عميق". بل هي أن الاكتشاف يوجد في منتج منفصل عن التقييم، بحيث لا يتحدث فحص الأصالة وفحص الضرر أبدًا بعضهما مع بعض فعليًا.
هذه هي الفجوة الهيكلية التي أوجّه إليها أي شركة تأمين، وهي السبب في أننا بنينا رؤية حاسوبية جنائية لكامل خط معالجة أدلة المطالبات بدلًا من كاشف مستقل. تنشر Verisk أبحاث احتيال ممتازة وتدير تحليلات قوية، لكن اكتشافها لاحق للحدث — إذ يعمل بعد التقديم، منفصلًا عن أداة الضرر. وتقوم VAARHAFT بتسجيل احتيال الصور المصمَّم لهذا الغرض مع تحليل البيانات الوصفية وخرائط حرارية للمسوّين، لكنها لا تجري أي تقييم للأضرار، فتكون تُشغّل بائعين لا يتشاركان نموذجًا. وتقوم Tractable وCCC بالتقييم على نحو رائع ولا تقدّمان أي اكتشاف للتزييف العميق على الإطلاق. وينتهي الأمر بشركة التأمين إلى خياطة الأصالة والتقييم معًا عبر بائعين، والتماس بينهما هو بالضبط حيث تنجو الصورة الملفّقة.
الإجابة الصادقة ليست كاشفًا واحدًا. بل هي مجموعة متكاملة — تحليل جنائي على مستوى المستشعر، بالإضافة إلى تجزئة تستدل على ما إذا كان الضرر متسقًا فيزيائيًا (نوع الفحص الذي يبلّغ فيه مرور تقدير العمق عن انبعاج لا يمكن للإضاءة أن تفسّر هندسته، وهو بالضبط حيث يفضح التزييف العميق النظيف نفسه)، بالإضافة إلى سلسلة عهدة حقيقية — كل ذلك داخل النظام نفسه الذي يُنتج التقدير.
التهديد الذي لم أرَه قادمًا كان نحن
لفترة اعتقدت أن المشكلة برمّتها كانت خارجية — محتالون في الخارج، وخط معالجتنا في الداخل، وجدار بينهما. ثم ضبطنا أنفسنا نلحق الضرر بأيدينا.
كان حامل وثيقة قد رفع صورة لربع خلفي منبعج عبر تطبيق للهاتف المحمول. وخط معالجة الصور لدينا، مثل كثير من خطوط المعالجة، أجرى مرور "تحسين" لتنظيف ضوضاء كاميرا الهاتف قبل التقييم. أما أداة رفع الدقة، المدرَّبة على جعل الصور تبدو أفضل، ففسّرت الانبعاج على أنه ضوضاء ونعّمت جزءًا منه. فرأى المسوّي سيارة أنظف وأقل تضررًا مما صوّره حامل الوثيقة فعليًا. لم نتعرض لهجوم. بل غيّرنا الأدلة بأنفسنا بهدوء.
عندها هبط عليّ البُعد القانوني، وهو الخبرة التي أقود بها الآن كل محادثة مع شركة تأمين. بموجب القانون الأمريكي، يُعدّ تغيير أدلة ذات صلة بإجراء قانوني إتلافًا للأدلة، والنية لا تنقذك. الاختبار ليس "هل قصدت خيرًا بتحسين الصورة". بل الاختبار هو ما إذا كانت بكسلات اصطناعية — بكسلات لم يلتقطها مستشعر الكاميرا قط — قد أُدخلت قبل أن يحفظ أحد النسخة الأصلية. فإذا ذهبت مطالبة مرفوضة إلى التقاضي وكان سير عملك قد استبدل بالنسخة الأصلية نسخةً معدّلة بالذكاء الاصطناعي، فأنت تواجه تعليمات استنتاج عكسي، أو عقوبات، أو حكمًا مستعجلًا.
أي خط معالجة يلمس فيه الذكاء الاصطناعي التوليدي صورة مطالبة — رفع الدقة، إزالة الضوضاء، "التحسين" — يحمل هذا التعرّض، ومعظم شركات التأمين لم تدقّق فيه قط. أما الحل في نظامنا فأصبح قاعدة لا نكسرها: النسخة الأصلية، الملتقطة بالمستشعر، تُحفظ وتُجزّأ إلى قيمة تجزئة ولا تُستبدل أبدًا؛ وكل تحويل يحدث على نسخة بمسار مصدر مسجَّل. لا يزال بإمكان التحسين أن يحدث. إنه فقط لا يمكن أن يحدث على النسخة الوحيدة التي ستطلبها المحكمة يومًا.
المنظّمون سئموا قبول عذر "الصندوق الأسود للبائع هو من فعلها"
التهديدان — احتيال اصطناعي يدخل، وإتلاف أدلة يجري في الداخل — يصطدمان ببيئة امتثال اكتسبت أنيابًا بسرعة.
نشرة NAIC النموذجية، التي اعتمدتها الآن 24 ولاية، تتطلب حوكمة موثّقة للذكاء الاصطناعي، وقرارات مطالبات قابلة للتفسير، ومراقبة مستمرة للنماذج. وقانون الذكاء الاصطناعي في كولورادو يدخل حيّز التنفيذ في 30 يونيو 2026، ويُعامل الانتهاك على أنه ممارسة تجارية غير عادلة أو خادعة. ويصنّف قانون الذكاء الاصطناعي في الاتحاد الأوروبي الذكاء الاصطناعي للتأمين على أنه عالي المخاطر مع موعد نهائي للإنفاذ في أغسطس 2026 وعقوبات تصل إلى €35 million أو 7% من حجم الأعمال العالمي. ومن المتوقع أن تقدّم NAIC قانونًا نموذجيًا بشأن الإشراف على البائعين الخارجيين هذا العام.
هذا الأخير هو الزلزال الهادئ. شركة التأمين مسؤولة عن نتائج ذكاء اصطناعي تابع لطرف ثالث — و"نموذج بائع خدمات SaaS لدينا هو من قرر ذلك" ليس دفاعًا يقبله منظّم أو محكمة. فشركة تأمين تستخدم درجة من صندوق أسود لرفض مطالبة لا يمكنها تقديم التفسير الذي يطالب به المنظّمون الآن. وشركة تأمين غيّر خط معالجتها الأدلة لا يمكنها تقديم النسخة الأصلية التي تطالب بها المحكمة. وكلاهما الفشل نفسه يرتدي زيّين: أنت لا تسيطر، ولا تستطيع التفسير، ولم تحفظ.
وهذا أيضًا سبب تشكّكي في المسار الذي يدير فيه مُكامِل أنظمة كبير الأمر برمّته. فالشركات الكبيرة بارعة حقًا في تكامل Guidewire وDuck Creek وفي كتابة أطر المخاطر. لكنها توصي بمنصات البائعين وتكاملها؛ وهي لا تبني رؤية حاسوبية جنائية مخصصة. وعملها في الذكاء الاصطناعي متمحور حول نماذج اللغة الكبيرة — مساعدون ذكيون وفرز وكيلي — وتكلّف المهمة $500K إلى $5M مع مهلة تمتد من ستة إلى ثمانية عشر شهرًا قبل أن يلمس أي نموذج مطالبة حية. يمكنك أن تنفق عامًا وميزانية من سبعة أرقام وتظل تحمل صندوقًا أسود لا يمكنك تفسيره لكولورادو.
"لكن ألا يبطّئ هذا المعالجة المباشرة؟"
هذا هو الاعتراض الذي يصلني أكثر من غيره، وهو اعتراض منصف. فالصناعة بأكملها تدفع نحو المعالجة المباشرة — إذ تستهدف شركات تأمين السيارات الرائدة معدل معالجة مباشرة بنسبة 70–90% على مطالبات السيارات الشخصية الأساسية، وتتوقع IDC معدل معالجة مباشرة بنسبة 65% عبر تأمين السيارات وأصحاب المنازل بحلول هذا العام. فالمسوّون مكلِفون؛ والغاية من الذكاء الاصطناعي هي إبعاد البشر عن المطالبات الروتينية.
يفترض الناس أن المصادقة الجنائية احتكاك يجرّ المعالجة المباشرة إلى الأسفل. والعكس هو الصحيح. فأسرع طريقة لقتل برنامج معالجة مباشرة هي عصابة احتيال واحدة مُعلَن عنها أو عقوبة إتلاف أدلة واحدة — بعد ذلك، تحصل كل مطالبة على نظرة ثانية بشرية "فقط لنكون آمنين"، وينهار معدل الأتمتة لديك. المصادقة هي ما يتيح لك إبقاء البوابة مفتوحة. فحين يستطيع النظام أن يشهد بأن الصورة حقيقية وغير معدّلة ومسجّلة المصدر، فتلك هي المطالبة التي يمكنك اعتماد قبولها تلقائيًا بأمان. أنت لا تضيف نقطة تفتيش؛ بل تكتسب الحق في تخطي واحدة.
المطالبة التي يمكنك إثبات أنها حقيقية هي مطالبة يمكنك دفعها بأمان دون أن يلمسها إنسان أبدًا.
والاقتصاديات ليست خفية. فالاحتيال في تأمين السيارات يضيف بالفعل نحو $900 سنويًا إلى قسط كل حامل وثيقة، ومن المتوقع أن تخفض الرؤية الحاسوبية المنفَّذة على نحو صحيح تكاليف معالجة المطالبات بمقدار $12 billion سنويًا. ولا يتحقق أي من ذلك إذا كانت الصور الداخلة ملفّقة والنسخ الأصلية الخارجة معدّلة.
ما الذي ينبغي لقائد المطالبات أن يختبره فعليًا؟
قادتني ذات مرة نائبة رئيس للمطالبات عبر شبكة تقييم البائعين لديها — بطاقة تقييم مرتّبة للدقة والتكامل والنشر والسعر. كان عمود "اكتشاف التزييف العميق" فارغًا عبر كل بائع في القائمة القصيرة. ليس منخفض الدرجة. بل فارغ. لم يبنِه أحد، فلم يُقيَّم عليه أحد، فسقط من التقييم برمّته. وتلك هي المصيدة: يمكنك أن تجري عملية شراء صارمة ولا تختبر ولو مرة واحدة التهديد الذي ينمو فعلًا.
لذا فالعمود الذي كنت لأضيفه يسأل شيئًا لا تستطيع درجة الدقة أن تسأله: هل تستطيع الأداة أن تخبرك ما إذا كانت الصورة أصلية، وليس فقط ما تصوّره؟ من هناك تتوقف الأسئلة عن أن تكون حول الأداء وتبدأ في أن تكون حول الإثبات. هل ستكشف عن استدلالها — قناع التجزئة، الإشارات الجنائية — أم تسلّمك مجرد رقم لتثق به؟ يجب أن تنجو صورة المستشعر الأصلية بمسار مصدر يمكنك وضعه أمام قاضٍ. وتحت كل ذلك يكمن سؤال الملكية: هل تُشغّل نموذجك وبياناتك الخاصة، أم تستأجر نموذجًا مشتركًا غير مضبوط لا يمكنك ضبطه على محفظتك أو تفسيره لمنظّمك؟
شركات التأمين التي ستتجاوز العامين المقبلين لن تكون تلك التي تملك أدق تقديرات للأضرار. بل ستكون تلك التي تستطيع أن تقف أمام منظّم، ومسوّ، وفي النهاية قاضٍ، وتثبت أن البكسل الذي دفعت عليه كان حقيقيًا حين انطلق الغالق — وأنها لم تمسّه بعد ذلك قط. وإذا أردت أن ترى كيف بنينا رؤية حاسوبية جنائية لهذا الغرض بالضبط، فكل شيء موجود هناك.
أحتفظ بتلك الصورتين للسيارة السيدان الفضية على سطح مكتبي. إحداهما كانت حادثًا حقيقيًا. والأخرى لم تحدث قط. لم يستطع النموذج التمييز بينهما، ولمعظم الصناعة لا يزال غير قادر. تبيّن أن المهمة برمّتها لم تكن قط عن رؤية الضرر على نحو أفضل. بل كانت عن القدرة على القول، مع الإثبات، أيّهما كان حقيقيًا.
